مدلسازی ریسک های آب و هوایی در پرتفوی های سرمایه گذاری با استفاده از یادگیری عمیق: کاربرد در بازارهای نوظهور آسیایی

ریسک های آب و هوایی شامل ریسک های فیزیکی مانند سیل، طوفان و خشکسالی و ریسک های انتقالی ناشی از سیاست های کربن زدایی و تغییرات فناوری چالش های اساسی برای پرتفوی های سرمایه گذاری ایجاد می کنند. این ریسک ها در بازارهای نوظهور آسیایی که با رشد اقتصادی، سریع شهرنشینی فزاینده و وابستگی به بخش های حساس به آب و هوا مانند کشاورزی و انرژی مواجه هستند، شدت بیشتری دارند. بر اساس گزارش های اخیر این بازارها ممکن است تا سال ۲۰۳۰ بیش از ۲۰ درصد از شوک های مالی جهانی ناشی از تغییرات آب و هوایی را تجربه کنند (ابتکار مالی برنامه محیط زیست سازمان ملل متحد (UNEP FI) ۲۰۲۴؛ بین و کمپانی ۲۰۲۵). این مقاله چارچوبی جامع برای مدل سازی این ریسک ها با استفاده از مدل های یادگیری عمیق پیشنهاد می دهد که داده های محیطی، اجتماعی و حاکمیتی (ESG) را با معیارهای مالی ادغام می نماید تا تاب آوری پرتفوی ها را افزایش دهد. تکنیک های کلیدی شامل شبکه های حافظه کوتاه مدت بلند (LSTM)، شبکه های کانولوشنی (CNN) و مدل های ترکیبی مانند CNN-LSTM است که برای پیش بینی نوسانات و هم حرکتی های مرتبط با رویدادهای آب و هوایی به کار گرفته می شوند (هان و همکاران، ۲۰۲۴؛ گونگ و همکاران ۲۰۲۵). تحلیل تجربی بر بازارهای نوظهور آسیای جنوبی مانند پاکستان و هند و جنوب شرقی آسیا مانند اندونزی و ویتنام تمرکز دارد و از داده های ۲۰۱۵-۲۰۲۵ بهره می برد. یافته ها نشان می دهند که مدل های یادگیری عمیق دقت پیش بینی را تا ۲۵ درصد نسبت به روش های سنتی مانند GARCH افزایش می دهند و استراتژی های کاهش ریسک مانند پوشش پویا را امکان پذیر می سازند (چن و همکاران ۲۰۲۴، آویجن و همکاران ۲۰۲۴). این رویکرد نه تنها با استانداردهای جهانی مانند توافق پاریس هم راستا است، بلکه به سرمایه گذاری پایدار در بازارهای نوظهور کمک می کند و شمول مالی را تقویت می نماید (لی، ۲۰۲۵).

کلیدواژه ها:

ریسک های آب و هوایی ، یادگیری عمیق ، پرتفوی های سرمایه گذاری ، بازارهای نوظهور آسیایی ، ادغام ESG